[发明专利]基于Faster R-CNN的裁片花纹参数测量方法

说明书

一种基于Faster R‑CNN的纺织裁片参数测量方法，首先将花纹数据集输入到Faster R‑CNN+ResNET‑101网络进行训练利用训练模型生成的边界框对花纹进行包围完成花纹的粗定位。然后提取边界框中花纹轮廓计算几何中心点并填补缺失点完成花纹的细定位获得花纹中心点图。最后通过花纹中心点的周期分布特征测量所需参数，提高了测量的精度与效率。

技术领域

本发明涉及一种基于Faster R-CNN的纺织裁片参数测量方法，该方法对具有多周期花纹纺织面料都具有较好的识别和检测效果，属于图像处理技术领域，可应用于纺织领域中多周期花纹裁片花纹偏斜角的和周期长度的自动化检测。

背景技术

纺织裁片在如汽车座椅、服装等诸多行业中是成品加工过程中裁床裁切的中间件，其质量是决定成品品质的一个关键。裁片的样式(CAD和花纹)众多，造成实际生产过程中只能进行人工抽检，难以进行在线全检，时常发生不合格裁片造成后续缝制工序质量下降，甚至造成成品质量不合格。所以建立一个纺织裁片参数自动测量方法，对提高纺织业自动化检测水平具有重要意义

随着纺织业技术的飞速发展，机织布的种类越来越多，结构及颜色也复杂多样。对于同种类的织物，由于花纹大小、形状以及分布规律的变化会对整幅图像花纹特征的提取造成较大影响，加大了花纹织物图像整体分析的难度。此外由于织物花纹种类繁多，也无法构建完整的织物花纹组织结构特征库，也就无法进行特征提取并与数据库中的织物花纹匹配。

裁片的尺寸和花纹信息是企业进行生产的重要依据。企业在进行生产时，要对裁片进行品质控制，主要从裁片的尺寸精度、切口质量、花纹信息三个方面来进行检验。目前，传统的检测方法主要是：检测花纹信息时人工通过坐标尺进行手动测量花纹纹理角度偏差。这种测量方式不仅存在主观性、易疲劳、速度慢、强度大等缺点，而且测量精度和效率也难以保证。此外，由于肉眼容易疲劳并具有生理限制，因此无法有效检测具有复杂花纹的纺织裁片。为了克服人工测量的种种弊端，测量臂、影像测量仪、三坐标测量仪等测量仪器得到了广泛使用，但仍存在许多问题，如：测量臂和三坐标测量仪的测量精度与使用者的操作水平有关，存在主观性；影像测量仪单次测量范围较小，效率很低。因此，有必要开发一种用于多周期花纹纺织裁片的自动检测系统，以提高纺织工业的生产水平和效率。

发明内容

针对上述问题，本发明的目的提出了一种基于Faster R-CNN的纺织裁片参数测量方法，首先将花纹数据集输入到Faster R-CNN+ResNET-101网络进行训练利用训练模型生成的边界框对花纹进行包围完成花纹的粗定位。然后提取边界框中花纹轮廓计算几何中心点并填补缺失点完成花纹的细定位获得花纹中心点图。最后通过花纹中心点的周期分布特征测量所需参数，提高了测量的精度与效率。

本发明解决上述技术问题所采用的技术方案是：一种基于Faster R-CNN的裁片花纹参数测量方法，其特征在于，采用深度学习中的目标检测网络Faster R-CNN，以单条花纹为目标样本进行标注并训练，得到花纹检测模型，对裁片进行花纹检测和中心点提取，分析中心点周期特征，自动拟合同一条周期线上的中心点为直线并计算花纹偏斜角和周期长度。在汽车座椅制造业中，纺织裁片的应用已经变得愈发普遍。大多数汽车座椅成品都是由这些裁片缝制而成。作为半成品，裁片的性能将显著影响成品的质量。然而，多周期花纹裁片花纹偏斜角是影响花纹质量的重要因素。横向倾斜角θ_warp和纵向偏斜角θ_weft被定义为沿着花纹的水平或垂直周期方向的线与该片的整体轮廓之间的角度。偏斜角是多周期花纹裁片的关键参数，因为它可以反映花纹样本与花纹模板之间的设计差异。

主要步骤包括：

步骤1：图像预处理，采集保持水平的多周期花纹裁片的局部纹理图像，制作花纹数据集；建立包含大约5000个花纹裁片图像的数据集，并以PASCAL VOC 2007的格式标注。